Die Erkennung der Funktionen von Stadtvierteln ist eine wichtige Grundlage für Stadtplanung und -verwaltung. Mit der Beschleunigung der Urbanisierung reicht die Einteilung nach nur einer Nutzung nicht mehr aus, um den Anforderungen komplexer urbaner Räume gerecht zu werden. Als Ausdruck der multifunktionalen Verschmelzung der Stadt ist die Erkennung von gemischt genutzten Stadtvierteln, insbesondere die automatische Erkennung, von großer Bedeutung für das Verständnis der funktionalen Vielseitigkeit der Stadt und die Steigerung der Flächeneffizienz. Vor diesem Hintergrund basiert diese Arbeit auf funktionalen Labels, die in Open-Source-Areas of Interest (AOI) und Points of Interest (POI) enthalten sind, und schlägt eine Methode vor, die reine und gemischte Funktionsmuster automatisch extrahieren kann, indem sie OpenStreetMap (OSM) und Sentinel-2-Bildmaterial kombiniert. Anschließend wird das ResNet34-Modell verwendet, um die genaue Funktionserkennung der Stadtviertel zu realisieren. Zunächst wird die POI-Verteilungsentropie verwendet, um reine und gemischt genutzte Stadtviertel zu unterscheiden; anschließend wird basierend auf Sentinel-2 und Stichproben von Einzelnutzungsflächen ein Multi-View-Differenzlernmodul entwickelt, um reine und gemischte Proben weiter zu extrahieren. Darüber hinaus wird aufgrund des Maßstabsunterschieds zwischen AOI und realen Stadtvierteln die automatische Probenerfassung auf die beiden Einheiten AOI und Stadtviertel angewendet, um die Anzahl und die Maßstabsvielfalt der Proben zu erhöhen. Die vorgeschlagene automatische Klassifizierungsmethode erreichte Gesamtgenauigkeiten von 72,9 %, 78,3 %, 73,4 % und 75,1 % in den Städten Peking, Hefei, Weifang und Chengdu. Im Vergleich zur nur mit der POI-Verteilungsentropie arbeitenden Methode erhöhte die Kombination aus AOI und POI die Erkennungsgenauigkeit der Mischkategorie um jeweils 7 %, 18 %, 20 % und 13 %. Diese Ergebnisse beweisen die Machbarkeit und Effektivität der Methode in unterschiedlichen urbanen Umgebungen sowie das Potenzial der Kombination von Crowd-Sourced-Geodaten und Fernerkundungsbildern für die Erforschung der Nutzung von Stadtvierteln, insbesondere der gemischten Nutzung.

Gemischt genutzte Stadtviertel; Sentinel-2-Bilddaten; Deep Learning; Points of Interest; Areas of Interest; städtische Funktionszonen; Multi-View-Learning